[논문 리뷰] Fingerprints: Fixed Length Representation via Deep Networks and Domain Knowledge

Joshua J. Engelsma, Kai Cao외 1명|arXiv (Cornell University)|2019. 04. 01.

Biometric Identification and Security참고 문헌 29인용 수 9

한 줄 요약

이 논문은 다중 작업 Inception v4 아키텍처에 공간 변환기와 함께 지문 도메인 지식(특히 분지점 위치와 방향)을 통합하여 고정 길이의 512차원 지문 표현을 생성하는 딥러닝 기반 방법을 제안한다. 이 방법은 NIST SD4에서 97.9%의 랭크-1 정확도를 달성하고, 1초당 682,594회의 매칭을 수행하여 상업적 분지점 기반 매칭기보다 속도 면에서 뚜렷이 뛰어나면서도 경쟁 가능한 정확도를 유지한다.

ABSTRACT

We learn a discriminative fixed length feature representation of fingerprints which stands in contrast to commonly used unordered, variable length sets of minutiae points. To arrive at this fixed length representation, we embed fingerprint domain knowledge into a multitask deep convolutional neural network architecture. Empirical results, on two public-domain fingerprint databases (NIST SD4 and FVC 2004 DB1) show that compared to minutiae representations, extracted by two state-of-the-art commercial matchers (Verifinger v6.3 and Innovatrics v2.0.3), our fixed-length representations provide (i) higher search accuracy: Rank-1 accuracy of 97.9% vs. 97.3% on NIST SD4 against a gallery size of 2000 and (ii) significantly faster, large scale search: 682,594 matches per second vs. 22 matches per second for commercial matchers on an i5 3.3 GHz processor with 8 GB of RAM.

연구 동기 및 목표

• 변동 길이 분지점 템플릿의 한계(예: 느린 검색 성능 및 템플릿 암호화 문제)를 해결하기 위해.
• 지문 특화 도메인 지식을 딥 네트워크에 통합하여 다양한 지문 유형(예: 굴린 지문 대 평면 지문)에서 정확도와 일반화 능력을 향상시키기 위해.
• 효율적인 매칭을 지원하는 컴act한 고정 길이 표현을 학습하여 대규모 지문 검색의 빠르고 확장 가능한 솔루션을 제공하기 위해.
• 지식 정렬 기반의 교사-학생 디스틸레이션을 통해 모델 복잡도와 추론 시간을 줄이면서도 정확도를 유지하기 위해.

제안 방법

• 지문 이미지에서 텍스처 기반 표현과 분지점 지도 기반 표현을 동시에 학습할 수 있도록 다중 작업 딥 컨volution 네트워크를 설계하였다.
• 입력 지문 이미지를 특징 추출 이전에 자르고 정렬하기 위해 공간 변환기 모듈을 사용하여 자세 및 방향 변화에 대한 강건성을 향상시켰다.
• 최종 지문 표현은 텍스처 및 분지점 지도 특징를 연결하여 고정된 512차원 벡터로 구성된다.
• 분지점의 공간 분포와 방향을 인코딩하는 분지점 지도 브랜치를 통해 도메인 지식을 통합하여 분류 능력을 향상시켰다.
• 모델 압축을 위해 교사-학생 디스틸레이션 프레임워크를 적용하여 추론 시간과 메모리 사용량을 줄였으며 정확도 손실는 최소화하였다.
• 모델은 굴린 지문의 대규모 종단 간 데이터베이스에서 훈련되었고, 공개 벤치마크(NIST SD4 및 FVC 2004 DB1)에서 평가되었다.

실험 결과

연구 질문

• RQ1 지문 도메인 지식을 통합한 딥러닝 모델이 변동 길이 분지점 템플릿보다 높은 정확도를 보이는 고정 길이 표현을 생성할 수 있는가?
• RQ2 분지점 지도 브랜치의 통합이 굴린 지문 대비 평면 지문과 같은 다양한 지문 유형 간 일반화 능력을 얼마나 향상시키는가?
• RQ3 고정 길이 표현이 기존의 분지점 기반 시스템에 비해 수십만 배 빠른 매칭을 가능하게 할 수 있는가?
• RQ4 지식 정렬이 정확도 저하 없이 깊이 있는 지문 표현 모델을 효과적으로 압축할 수 있는가?

주요 결과

• 제안된 방법은 NIST SD4에서 갤러리 크기가 2,000인 조건에서 랭크-1 정확도 97.9%를 달성하였으며, 최고의 상업적 매칭기(Verifinger v6.3)의 97.3%를 초월하였다.
• 고정 길이 표현 덕분에 i5 3.3 GHz 프로세서에서 1초당 682,594회의 매칭 속도를 기록하여 상업적 매칭기(1초당 22회) 대비 31,500배 빠른 성능 향상을 보였다.
• 282,000건의 대규모 배경 데이터를 기반으로도 랭크-1 정확도 94.3%를 유지하여 강력한 확장성을 입증하였다.
• 공간 변환기와 분지점 지도 브랜치를 포함한 다중 작업 학습을 통해 FVC 2004 DB1 데이터셋에서 정확도가 65.1%에서 93.2%로 상승하여 일반화 능력이 크게 향상됨을 확인하였다.
• 지식 정렬을 통해 모델 크기를 줄였고 성능을 유지하면서도 컴act한 학생 모델을 구현하여 교사 모델 수준의 추론 속도를 달성하였다.
• 고정 길이 표현은 강력한 템플릿 암호화를 지원하여 개인정보가 민감한 응용 분야에서의 변수 길이 분지점 템플릿의 주요 한계를 해결하였다.